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