Algorithmes génétiques

Conclusion

Problématiques associées

Nous avons vu à travers cette présentation à quoi se destinent les algorithmes génétiques, et plus généralement, les algorithmes évolutionnistes. Ils répondent à des besoins qui étaient jusque là instisfaits, comme tous les problèmes NP difficiles.

Les algorithmes génétiques offrent beaucoup de simplicité à la résolution de problèmes complexes, cependant ils ont certaines limites. Dans l'exemple d'une résolution de planning ou d'emploi du temps, on voit que les croisements et les mutations restent difficiles à effectuer car on a des contraintes comme l'unicité. De plus, on voit bien que pour évaluer les individus il faut considérer beaucoup d'éléments. Cela remet en cause la puissance des AG, car ce genre de calcul peut vite être très long.

Nous avons pu voir également les problématiques associées aux AG. Dans un premier temps, la modélisation des problèmes est cruciale dans la résolution d'un problème complexe. Ensuite, l'efficacité se trouve dans les optimisations que l'on peut apporter à notre résolution de problème.

En combinant plusieurs optimisations en temps, en espace de recherche, en raffinement de solutions on peut résoudre des problèmes vraiment très complexes sur des volumes de données énormes.

Applications / Avenir

Les AG sont déjà très utilisés et très répandus, dans des domaines très différents. On a des exemples en économie pour faire des modèles de prévisions, on en trouve dans l'analyse d'image (recherche de motifs, etc.) mais aussi dans le développement (tests unitaires automatisés, les algorithmes permettent de vérifier l'efficacité et convegent vers les points sensibles).

A l'avenir, bien que ce soit déjà le cas, c'est dans le développement de l'intelligence artificielle que les AG trouvent toute leur utilité et leur puissance. Cela est utilisé dans les robots intelligent (envoyés sur mars, chien-robot célèbre, etc.) mais également dans les jeux video où il faut faire évoluer des personnages sans joueur par exemple.