4.5 Opérateurs de reproduction
Au fil des sections précédentes, l'analyse des
opérateurs de reproduction a pratiquement été
effectuée. Ceci est tout à fait normal car les
éléments sont fortement liées et interdépendants.
Nous allons quand même donner un petit aperçu.
De façon générale, tous les
opérateurs dépendent de leurs opérandes, et les
opérateurs algorithmes évolutionnaires n'en font pas exception.
Cette idée est beaucoup plus claire dans le cas des arbres où
l'introduction d'une nouvelle structure de codage a mis en jour toute une
série de nouveaux opérateurs. Même pour les
opérateurs communs entre les différentes méthodes, leur
efficacité n'est pas toujours la même. Ceci a laissé les
algorithmes favoriser certains opérateurs par rapport autres. Le
croisement a été choisi pour les binaires et la mutation a
été choisie pour les réels. Pour les arbres de la
programmation génétique, les choses sont un peut
différentes du fait de la spécificité des
opérateurs. Entre un problème et un autre, la priorité
d'un opérateur peut augmenter ou diminuer, il se peut même que
l'opérateur ne soit complètement pas utilisé. Enfin, la
spécificité des opérateurs influence directement celle des
méthodes associées. Plus l'opérateur est
général, plus la gamme des problèmes auxquels il peut
être appliqué sera large, et plus la méthode sera donc
générale.
4.6 Récapitulatif
Au cours de cette analyse, l'idée qui ne cessait
d'émerger était le fait que les éléments d'une
méthode dépendent fortement de l'objectif de base de la
conception de la méthode. Les stratégies d'évolution ont
été créées comme des méthodes
d'optimisation. Compte tenu de la diversité du domaine de
l'optimisation, le modèle des stratégies d'évolution a
été choisi de telle façon à couvrir un maximum de
problèmes. La stratégie de recherche a été
orientée vers la diversification en vu de surpasser le problème
de l'optimum local. Et pour mieux convenir à la nature de ces
problèmes, elles ont adopté une représentation
réelle pour permettre une meilleure adaptation et une possibilité
de contrôler les paramètres de recherche. De même la
même façon, la conception de la programmation
génétique pour le développement automatique des programmes
explique le choix d'une structure arborescente pour représenter ses
individus, l'orientation vers l'exploitation et la spécificité de
ses opérateurs. Le tableau de la figure représente un
résumé récapitulatif de cette analyse.
Les problèmes de reconnaissance automatique de la
parole se présentent généralement sous forme de deux sous
problèmes : un sous problème d'apprentissage et un autre de
reconnaissance. Ce qui parait le plus convenable est de choisir un
modèle arborescent pour améliorer l'apprentissage, et d'utiliser
les stratégies d'évolution pour optimiser l'estimation des
correspondances.
|
Critère
|
Stratégies d'évolu-
tion
|
Programmation géné-
tique
|
|
Objectif
|
Optimisation
|
Programmation
|
|
Spécificité
|
Générale
|
Spécéfique
|
|
Stratégie de recherche
|
Exploration
|
Exploitation
|
|
Poplation
|
Vecteurs de réels
|
Structures arborescentes
|
|
Caractère des opérateurs
|
Généraux
|
Spécifiques
|
|
Systèmes de parole
|
Apprentissage
|
Reconnaissance
|
FIGURE 4.1 - Résumé récapitulatif de
l'analyse comparative
| 
