IV.?.?.? choix de nombre d'individus à
manipuler
Le nombre d'individus N à conserver est
à choisir avec soin. En prenant un N trop faible, la prochaine
itération de l'algorithme se fera avec une population plus petite et
elle deviendra de plus en plus petite au fil des générations,
elle pourrait même disparaître. En prenant un N de plus en plus
grand, nous prenons le risque de voir exploser le temps de traitement puisque
la population de chaque génération sera plus grande.
Une méthode efficace est de toujours garder la
même taille de population d'une génération à
l'autre, ainsi il est possible de dérouler l'algorithme sur un grand
nombre de générations.
IV.5.4.2 la génération suivante
Une fois la nouvelle population obtenue, vous pouvez
recommencer le processus d'amélioration
des individus pour obtenir une nouvelle population et
ainsi de suite ...
IV.? Paramètres d'un AG
Pour appliquer un AG à un problème
réel, on doit posséder les éléments suivants
:
? un codage des éléments appartenant
à la population, le codage des solutions du problème à
résoudre doit être choisi avec soin;
? une fonction d'évaluation ou
d'adéquation ou d'adaptation de l'individu qui mesure la qualité
de l'individu;
? un processus d'évolution des
générations;
92
? des opérateurs pour modifier les individus
d'une population de la génération (t) à la
génération (t+1) comme le croisement et la mutation;
? des paramètres de l'AG : les
opérateurs précédents dépendent de plusieurs
paramètres qui sont fixés à l'avance et dont dépend
fortement la convergence de l'algorithme :
1. taille de la population : c'est-à-dire le
nombre d'individus dans la population. Si la taille est trop petite, l'AG peut
ne pas converger, par contre si elle est trop grande, l'évaluation des
individus peut être très longue;
2. probabilité de croisement et de mutation.
Les valeurs de ces probabilités peuvent varier d'une application
à l'autre. Par exemple, dans l'étude des Algorithme
Génétiques pour l'optimisation de cinq fonctions
mathématiques, [De Jong 75] a suggéré de choisir une
probabilité de croisement élevée, une probabilité
de mutation faible (inversement proportionnelle à la taille de la
population), et une population de taille modérée [Gold, 90] . La
probabilité de mutation est en général très faible,
inférieure à 0,1, une probabilité trop grande, peut
modifier les meilleurs individus;
3. critère d'arrêt : c'est-à-dire
le nombre maximal de générations à effectuer.
IV.? Processus d'évolution des
générations : générationnel, stationnaire et
élitiste
Traditionnellement, les AG sont
générationnels. Les individus de chaque génération
sont testés et une nouvelle population en entier est
générée, le nombre de descendants produits est donc
égal au nombre d'individus parents.
Les deux populations ne se chevauchent pas [Lang, 98].
La nouvelle population d'individus enfants est formée à chaque
génération. Cependant, certains individus enfants peuvent
être une copie conforme des parents qui n'ont pas été
perturbés ni par un croisement ni par une mutation. La stratégie
de remplacement stationnaire (steady-state)
diffère de l'AG générationnel. Dans cette
approche, il y a seulement un ou deux individus qui sont
générés à la fois [Ryan, 00]. Il peut y avoir
différentes façons de sélectionner « l'individu
victime » à supprimer de la population. Par exemple, on peut
sélectionner un individu aléatoirement ou sélectionner
celui qui a la plus petite fonction d'adaptation. Dans ce type d'AG, les
nouveaux individus générés sont ajoutés à la
population et peuvent immédiatement être
sélectionnés comme parents de nouveaux individus [Lang,
98].
93
Approche élitiste (elitist
model) Les opérateurs de croisement et de mutation peuvent
affecter le meilleur individu d'une génération. Le modèle
élitiste a pour avantage d'écarter la possibilité de
perdre cet individu. Ce modèle copie le meilleur individu de chaque
génération dans la population de la génération
suivante. Ce modèle peut accélérer la vitesse de
domination exercée par ce super individu sur la population [Cerrolaza ,
Annicchiarico, 99].
| 
