Professeur responsable : MR BENYETTOU
Université des sciences et de la technologie Mohamed Boudiaf USTO
GAPM
Présenté par :
Senhadji Nour El Houda
S o m m a i r e
I n t r o d u c t i o n
H i s t o r i q u e
D é f i n i t i o n d e s G A
D é f i n i t i o n d e s G A P M
Dom a i ne d ’ a pp l i c a t i on
P r i n c i p e
Al go r i t hm e du GAPM
Avan t a ge s & i nc onvé n i e n t s
C o n c l u s i o n
• Le problème d'optimisation combinatoire de l'attribution des tâches parallèles sur un multiprocesseur de façon à minimiser le temps d'exécution est appelé en tant que
problème d'application. Plusieurs solutions heuristiques qui ont été proposées cherchent à obtenir une
cartographie sous-optimale qui peut être considéré comme un "bon" cartographie dans un délai raisonnable.
• L'heuristique cartographie génétique hybride se comporte bien à la fois en termes de qualité des alignements
produits et le temps nécessaire pour les obtenir.
I n t r o d u c t i o n
• En 1975 par le biais de -John Holland, les AG ont commencé à se développer..
-l’optimisation des fonctions par (JONG) en 1980, dans le contrôle de pipeline par
GOLDBERG en 1981.
-En 1985-Première conférence sur « intelligence algorithme génétique ».
-En 1989 ,GOLDBERG a fait un livre ,au cours de la même année ont fait
apparition les problèmes de cartographie(mappingproblem)Une nouvelle méthode de
cartographie des problèmes d'optimisation sur des réseaux de neurones par CARTSEN
PETERSON il a publié sa nouvelle méthode dans « International Journal of Neural
Systems »,c’était l’année de l’évolution de la recherche en génétique. Leurs domaines
d’applications se sont diversifiés, en 1992 ,dans la programmation génétique par KOZA.
-En Pays-Bas ,c’était au niveau de la modélisation des écosystèmes en 1995.ça
c’est progressé d’année en année,en 2001 :la conception de l’innovation par les leçons
tirées à partir des compétences en AG .
H i s t o r i q u e
Les Algorithmes génétiques sont puissants et largement
applicables ,des méthodes stochastiques de recherche et
d’optimisation basées sur le concept de la sélection naturelle et
de l’évaluation naturelle.
Les AG sont appliqués sur les problèmes qui soit ne peuvent pas
être formulés dans leurs exactes et précises formes
mathématiques et peuvent contenir des données bruitées ou
irrégulier ou ils prennent autant de temps pour en résoudre ou
ils sont tout simplement impossibles à résoudre par les méthodes
traditionnelles de calcul.
Déf i n i t i on de s AGs
la généralisation cartographique est l’opération qui, par sélection,
schématisation et harmonisation, reconstitue sur une carte la
réalité de la surface terrestre représentée dans ses traits essentiels
en fonction du but de la carte, de son thème, de son échelle et des
particularités de la région cartographiée. C’est donc une
opération d’abstraction qui permet de créer des données plus
simplifiées tout en conservant l’information essentielle véhiculée
par la carte. la généralisation cartographique est un processus
hautement holistique.
Déf i n i t i on de s GAPM
L a r o b o t i q u e .
L e d o m a i n e m é d i c a l : c a r t o g r a p h i e d u g é n o m e .
L’ i n t e l l i g e n c e a r t i f i c i e l l e : l ’ a p p r e n t i s s a g e .
L a c o u v e r t u r e t e r r e s t r e d e g r a n d e s s u r f a c e s à
p a r t i r d e s a t e l l i t e .
Dom a i n d ’ a pp l i c a t i on
Pr i nc i pe du GAPM
Le fonctionnement général du GA|PM est basé sur un algorithme génétique mais se différencie des versions classiques par trois
principaux éléments
1. Une amélioration des solutions par une recherche locale (MemeticAlgorithm – MA)
2. Une technique de gestion de la population par une mesure de distance (Population Management - PM)
2. Une technique de gestion de la population par une mesure de distance (Population Management - PM)
3. Une petite population P de solutions de bonne qualité. Le PM signifie qu'une nouvelle solution T ne peut intégrer la population courante que si sa distance DpT à la population courante P est telle queDpT>= avec un seuil donné.
Le fonctionnement est assez simple et est basé sur un algorithme génétique. Nous supposons que nous avons comparer deux
individus entre eux et mesurer leur dissemblance. Nous pouvons donc mesurer la similarité entre un individu et la population
existante. Au départ, on génère une population initiale de petite taille et on
choisit un paramètre fixant le niveau de dissemblance des solutions entre elles. Ensuite, on procède comme dans un
algorithme génétique, on choisit deux individus que l'on croise pour obtenir deux enfants. Pour chacun on applique une recherche locale de façon à obtenir des optima locaux. S'ils ne répondent pas au critère de diversité, on applique un opérateur de mutation sur
ces individus jusqu'à satisfaction de ce critère. Ensuite sous condition, on les insère dans la population à la place d'un autre
individu. A chaque itération le paramètre gérant la diversité est mis à jour.
Voici en matlab le fonctionnement de mon GAPM:
initialise population P;
placer le parameter de diversité de la populationrepeat
select : p1 and p2 from P
crossover : p1 p2c1, c2
local search :on c1 and c2
for chaque enfant C do
while Dp T>= do
mutate c
end while
if c satisfies des conditions d’ addition
then
enlever la solution : P P\b
ajouter la solution : PP c end if
end for
mise a jour du parameter de diversité untilarrêter le critère satisfait
End
Pr i nc i pe du GAPM
Avantages et inconvénients Inconvénients
D’abord, les algorithmes génétiques sont coûteux en temps de calcul, puisqu’ils manipulent plusieurs solutions simultanément. C’est le calcul de la fonction de performance qui est le plus pénalisant, et on optimise généralement l’algorithme de façon à éviter d’évaluer trop souvent cette fonction
Ensuite, l’ajustement d’un algorithme génétique est délicat. L’un des problèmes les plus caractéristiques est celui de la dérive génétique, qui fait qu’un bon individu se met, en l’espace de quelques générations, à envahir toute la population. On parle dans ce cas de convergence prématurée, qui revient à lancer à une recherche locale autour d’un minimum… qui n’est pas forcément l’optimum attendu
Un autre problème surgit lorsque les différents individus se mettent à avoir des performances similaires : les bons éléments ne sont alors plus sélectionnés, et l’algorithme ne progresse plus.
Avan t a ge s
Le grand avantage des algorithmes génétiques et les problèmes de
cartographie est qu’ils parviennent à trouver de bonnes solutions
sur des problèmes très complexes, et trop éloignés des problèmes
combinatoires classiques pour qu’on puisse tirer profit de certaines
propriétés connues. Ils doivent simplement déterminer entre deux
solutions quelle est la meilleure, afin d’opérer leurs sélections. On
les emploie dans les domaines où un grand nombre de paramètres
entrent en jeu, et où l’on a besoin d’obtenir de bonnes solutions en
quelques itérations seulement – dans les systèmes de régulation de
transport en temps réel par exemple.
Par ailleurs, les algorithmes génétiques se prêtent bien, du fait de
leur traitement simultané de solutions, à la recherche d’optimum
multiples : en créant une fonction de coût partagée, dont la valeur
dépend partiellement de la distance entre les individus, on voit se
former graduellement des sous-populations d’individus, qui se
stabilisent autour des différents pics de la fonction objectif.
Les algorithmes génétiques sont des algorithmes d’exploration robustes et convergent vers une solution satisfaisante, lorsque leurs paramètres (taille de la population, nombre d’itérations, probabilités de tirages,…)
sont choisis d’une manière adéquate. Cependant, le choix des paramètres ainsi que le codage des données est encore plus un art
qu’une science. Il n’y a aucun jeu de paramètres qui serait universel pour tous les problèmes considérés du fait que ces valeurs dépendent
étroitement du type de problème à résoudre. Un autre inconvénient est que pour le moment, on ne sait pas prédire qu'un AG convergera vers la
bonne solution.
En effet, sur ces problèmes, GA|PM a montré qu'il convergeait plus rapidement qu'un algorithme mémétique conventionnel, alors que sa
structure générale est bien plus simple que les autres méta heuristiques basées sur une population avec mesure de distance, telles que les
méthodes de type recherche dispersée (SS)
Conc l us i on
2009 :Intégration de la réalité diploide et des problèmes de pénétrance à une méthode de cartographie génétique fine. Présenté par « GABRIELLE BOUCHER »,université du Quebec à Montréal.
2006 :A parallel genetic algorithm for task mapping on parallel machines
Présenté par :S .Mounir Alaoui,O.Frieder and T.El-Ghazawi(Florida Institute of technology Melboume,Florida,USA/ILLINOIS Institute OF Technology ,Chicago,USA/ George Mason University,Washington,USA).
2007:Heuristic algorithm based on a genetic algorithm for mapping parallel programs on hypercube multiprocessors.DPTO de computacion,Facultad de ingenieria,Universidad de Los Andes,Merida-Venezuela.
Bi b l i og r a ph i e