3.3 Conclusion
Nous avons effectué dans ce chapitre une étude
approfondie des les stratégies d'évolution et de la programmation
génétique. Nous avons traité des différentes
populations, des stratégies de sélection et des différents
opérateurs de variation ainsi que leurs caractéristiques.
Certains aspects relatifs aux différents composants ont aussi
été présentés. Par la suite, nous avons
proposé, pour chacune des deux méthodes, une mise en oeuvre dans
les différents modèles de reconnaissance évoqués au
premier chapitre.
Le dernier chapitre sera consacré à une analyse
comparative, dans laquelle nous discuterons des similarités et
différences, des avantages et inconvénients et des puissances et
faiblesses des deux approches.
Au chapitre précédent, nous avons eu une vue
assez large des stratégies d'évolution et de la programmation
génétique. Nous établissons ici une analyse comparative
quant à leurs éléments essentiels, leurs objectifs et
leurs efficacités dans les systèmes de parole. L'analyse sera
focalisée sur les éléments suivants l'objectif de
conception original, la spécificité, le compromis entre
l'exploitation et l'exploration, la représentation des individus et les
opérateurs de variation.
4.1 Objectifs
Contrairement à toutes les autres approches
évolutives qui se sont présentées comme des techniques
d'intelligence artificielle, les stratégies d'évolution ont
été conçues dès le départ pour
résoudre des problèmes d'optimisation. La structure des individus
en tant que vecteurs de réels, facilite le codage des solutions,
simplifie leur adaptation et élargie le domaine de couverture. Ainsi,
leur principe de développement n'est-il pas adapté à des
problèmes reposant sur l'intelligence artificielle tels que
l'apprentissage automatique. Les problèmes qui manipulent des
données variables ont souvent besoin d'un mécanisme d'adaptation
qui est assuré par une fonction d'apprentissage. Les stratégies
d'évolution ont été conçues pour travailler sur des
données exactes et ne peuvent assurer un travail d'apprentissage,
à moins qu'elles soient utilisées de façon secondaire
comme outils d'amélioration dans d'autres approches adaptatives telles
que les réseaux de neurones.
La programmation génétique dans sa version de
base, a suivi un nouveau paradigme de résolution. Au lieu de faire
évoluer des populations de solutions, elle fait évoluer des
programmes qui mènent à ces solutions, en se basant sur des
résultats déjà obtenus avec des réalisations
manuelles. La programmation génétique a donc été
développée dans cette optique conception automatique de
programmes. Contrairement aux stra-
tégies d'évolution, la programmation
génétique est très bien adaptée aux
problèmes ayant besoin d'une phase d'apprentissage. Au cours des
générations, le programme apprend à concevoir le chemin
par lequel les données en entrée parviennent aux données,
qui auraient déjà été calculées, en
sortie.
Pour ce faire, la programmation génétique doit
adopter un modèle de population qui conviendra le mieux à la
nature de ses individus : une structure arborescente. Il est naturel que ce
modèle ne pourra pas représenter tous les problèmes, et
c'est ici que se situe un des défauts majeurs de la programmation
génétique. En effet, l'élaboration d'un modèle
arborescent à un problème dont la nature ne l'est pas n'est pas
toujours une tâche facile, et ce n'est pas toujours possible.
On constate clairement que les objectifs de base de
développement de chacune des deux méthodes ont une influence
capitale sur leurs orientations structurelles, et par conséquent, sur la
nature des problèmes auxquels elles peuvent s'adapter, et aussi au
degré de facilité de cette adaptation.
Tous les systèmes de reconnaissance débutent par
une phase d'apprentissage, en utilisant généralement des
méthodes statistiques ou des réseaux de neurones, mais aussi des
arbres de décision. Si le modèle utilisé en apprentissage
est le même que celui utilisé en reconnaissance, comme est le cas
des modèles markoviens, il convient d'utiliser la programmation
génétique pour améliorer l'apprentissage, et donc pour
pouvoir mieux généraliser les connaissances acquises lors de
cette phase. Dans le cas contraire, c'est-à-dire si les modèles
ne sont pas les mêmes, la programmation génétique n'aura
plus aucune utilité. La phase de reconnaissance doit, dans ce cas, faire
appel à des méthodes d'approximation à chaque fois que
deux couples d'unités doivent être comparées. A cette
étape, Les stratégies d'évolution peuvent être
utilisées soit pour améliorer la précision des
comparaisons, soit pour réduire leurs nombre.
| 
