WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Algorithmes évolutionnaires dans les systèmes de parole

( Télécharger le fichier original )
par Mohamed Oulmahdi
Université Aberrahmane Mira de BéjaàŻa Algérie - Master recherche informatique 2011
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

4.3 Exploitation et exploration

Les notions d'exploitation et d'exploration se sont apparues avec l'arrivée des algorithmes génétiques. L'exploitation (ou intensification) insiste sur la capacité d'examiner en profondeur des zones de recherche particulières, ou plus exactement utiliser des individus pertinents pour en produire d'autres, c'est-à-dire les exploiter. L'exploration, par contre, met en avant la capacité de découvrir des zones de recherche prometteuses (diversification). Il est donc très important d'examiner les algorithmes évolutionnaires en fonction de ces deux notions.

Bien que ces deux notions soient tellement complémentaires, il est quand même difficile de trouver un compromis ente elles. Mais il est remarquable que la préoccupation majeure des algorithmes évolutionnaires est la conservation de la diversité de la population. Ceci est du au fait que le rôle de l'exploration est plus important que celui de l'exploitation, dans la mesure où le premier est fondamental est le deuxième est moins essentiel. En effet, une bonne exploration de l'espace de recherche va permettre, tôt ou tard, de tomber sur une solution potentielle. Il est vrai qu'une exploration aveugle peut passer juste à coter d'une bonne solution sans qu'elle s'en rende compte, mais les bonnes solutions ont tendance à se regrouper. C'est à ce niveau là qu'intervient l'exploitation pour concentrer la recherche autour de ces solutions potentielles. Tout cela

explique comment le rôle de la fonction d'exploration est fondamental. Il ne sert à rien de penser à exploiter des bons individus si l'on ne peut même pas tomber sur eux. De plus, et comme il a été discuté au chapitre 2, l'abus de l'exploitation va mettre la population dans un état très homogène et l'empêcher d'évoluer.

C'est pour cette raison que les méthodes évolutionnaire ont souvent recouert au scaling et au sharing pour empêcher le regroupement prématuré des bons individus. On ajoute à tous ça le fait que la notion de "bon individu" est très relative. En effet, si un individu est considéré comme étant bon dans sa population en cours, ceci ne signifie en aucun cas qu'il est le meilleur. Ce qui nous mène au problème classique des heuristiques d'optimisation : le piège de l'optimum local.

Dans les stratégies d'évolution, l'exploitation est représentée principalement par l'opérateur de recombinaison, et l'exploration par l'opérateur de mutation. Les stratégies d'évolution se basent principalement sur l'exploitation, vu que la mutation est l'opérateur de reproduction fondamental. La mutation, en ajoutant des bruits aléatoires, permet une diversification aléatoire aussi de la population. De sa part la recombinaison permet d'orienter la recherche vers des zones prometteuses. De cette façon les stratégies d'évolution constituent un bon exemple de méthodes équilibrant entre l'exploitation et l'exploration.

Il est aussi important de noter que le maintient des fonctions d'auto-adaptation a un impact sur la diversification. Il peut être considéré comme un outil supplémentaire d'exploitation, puisqu'il permet d'utiliser la qualité globale de la population pour diriger la recherche.

Les opérateurs de création et de duplication, quoiqu'ils sont beaucoup moins fréquents, peuvent contribuer à leur tours au maintient de la stabilité globale de la population. Bien que la création ne soit souvent utilisée que lors de la génération de la population initiale, la méthode peut lui faire appel comme outil secondaire de diversification. En associant la recombinaison à la mutation, la reproduction sera toujours basée sur des bons individus. La création permet d'introduire des éléments complètement nouveaux, et de rediriger certaines parties de la recherche vers des régions totalement nouvelles. La duplication quant à elle, permet de garder une trace de quelques individus potentiels, pour garantir leur présence dans les prochaines générations. La duplication ne peut pas avoir d'effets destructifs : si les autres opérateurs produisent des individus moins meilleurs, la duplication portera un grand intérêt en étant la seule à produire quelque chose de bon. Dans le cas contraire, c'est-à-dire si les éléments dupliqués sont mauvais, la sélection s'en occupera.

Pour la programmation génétique, la recherche est plutôt orientée vers l'exploitation. Malgré que le jeu d'opérateur soit plus important ici que tous les autres algorithmes, la mutation est le seul qui offre des possibilités d'exploration. Cette orientation s'explique par le fait que la programmation génétique a été conçue pour le développement automatique de programmes, et montre encore une fois comment l'objectif initial d'une méthode influence son orientation. En effet, dans le cas d'une population de programmes, la notion de fonction peut s'agir d'une seule instruction comme de plusieurs. Cette idée de groupe potentiel d'individus n'a de sens que dans les programmes informatiques. Lorsque la recherche tombe sur fonction potentielle regroupant plusieurs instructions, il est important de la faire propager dans toute la population de façon entière. Dans le cas contraire, il y a un grand risque que ce groupe soit découpé et perde toute sont efficacité. La programmation génétique tient donc à profiter de façon maximale des capacités potentielles des sous-programmes d'individus qu'elle manipule avant de chercher à produire de nouveaux individus. Il convient aussi de prendre en compte que la structure arborescente de ses individus offre plus de possibilités de variation que les vecteurs, notamment dans le cas des programmes informatiques. Il suffi en effet d'une simple permutation entre deux arbres pour pouvoir changer radicalement la sémantique du programme, et donc de donner naissance à un individu tout à fait différent.

Pour conclure, nous dirons que le choix de la stratégie de recherche a été effectué dans les deux méthode de telle façon à ce qu'il soit le mieux convenable à la nature des problèmes auxquels chacune d'elles a été dédiée. Les stratégies d'évolution ont suivit une stratégie favorisant l'exploration pour échapper au piège de l'optimum local des problèmes d'optimisation. De son coté, la programmation génétique a pris en considération la nature générale de ses individus, et adopté une stratégie de recherche basée sur l'exploitation. Il ne reste donc à dire que l'usage approprié de l'une des deux méthodes impliquerait un choix judicieux de la stratégie de recherche.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Enrichissons-nous de nos différences mutuelles "   Paul Valery