1.3 Conclusion
Dans ce chapitre, nous avons présenté les
différentes techniques de calcul "intelligent". Ces méthodes
s'avèrent utiles dans divers domaines de recherche: l'apprentissage, la
classification, l'optimisation, etc. Un intérêt tout particulier
est adressé aux problèmes d'optimisation, qui constitue l'un des
principaux objectifs de cette étude.
Dans ce contexte, nous avons choisi de nous intéresser
aux techniques de calcul évolutif (Evolutionary Computation EC) en
raison de leur efficacité dans le cadre de l'optimisation globale. Ces
techniques qui s'inspirent des métaphores biologiques (Programmation
Evolutive, Stratégie d'Evolution, Programmation Génétique,
Algorithmes Génétiques), de l'évolution culturelle des
populations (Algorithmes Culturels), ou du comportement collectif (Colonies de
Fourmis et Essaims particulaires), etc., offrent la possibilité de
trouver des solutions optimales en un temps de calcul raisonnable.
En général, les techniques EC ont
été conçues initialement, dans leur version de base, pour
traiter un certain type de problèmes. Par exemple, les AG canoniques ont
été proposés pour l'optimisation de fonctions, les
algorithmes d'optimisation par colonies de fourmis pour les problèmes de
parcours de graphe, etc. En général, ces méthodes ont
prouvé leur efficacité à résoudre des
problèmes analogues à ceux pour lesquelles elles ont
été conçues à l'origine.
En conclusion, bien qu'on dispose d'une panoplie de
méthodes utiles à l'optimisation globale, leur application
directe à un problème donné est quasiment impossible. En
effet, une phase d'adaptation de ces techniques au problème à
résoudre reste une démarche indispensable pour obtenir de
meilleures performances.
| 
