Conclusion

La modélisation est un outil puissant qui permet en particulier d’optimiser un dispositif avant de le fabriquer. Les algorithmes d’optimisation permettent de s’affranchir en grande partie de la méthode d’essai et erreur. Parmi ceux-ci nous avons abordé d’abord les méthodes Monte Carlo avant de passer aux Algorithmes Evolutionnaires et aux Algorithmes Génétiques (AG).

Les méthodes Monte Carlo

Dans le cadre de l’optimisation à paramètres multiples, les méthodes Monte Carlo sont intéressantes si le nombre de paramètres reste inférieur à trois ou quatre. Elles ont alors l’avantage de la simplicité. De plus, elles permettent d’avoir un bon aperçu de l’espace de recherche : les nuages de points que l’on peut en tirer sont souvent riches en information.

Si le nombre de paramètres est plus important, les méthodes Monte Carlo peuvent être utilisées dans un espace de recherche restreint, par exemple pour évaluer la sensibilité d’un dispositif aux incertitudes technologiques.

Les Algorithmes Génétiques

Les Algorithmes Evolutionnaires sont basées sur la théorie de l’évolution de Darwin. Par analogie avec le monde biologique, l’algorithme fait évoluer une population de dispositifs à l’aide de divers opérateurs : sélection, croisements, mutations. Parmi ces algorithmes, on distingue les Algorithmes Génétiques qui utilisent un codage des paramètres sous forme de chaîne binaire, par analogie avec l’ADN.

Nous avons présenté quelques techniques de base pour réaliser un AG simple mais efficace, très robuste et général. Mais n’oublions pas qu’il existe un compromis généralité / efficacité. Pour obtenir des performances optimales, il peut être souhaitable d’adapter l’algorithme au problème traité, en introduisant des méthodes spécifiques, et si possible des connaissances sur le problème [Davis, 1991]. On peut également réaliser des algorithmes hybrides mêlant différentes méthodes (par exemple AG et méthode des gradients).

Par rapport aux méthodes habituelles que l’on peut qualifier d’ analytiques , les algorithmes évolutionnaires peuvent être qualifiés de synthétiques . Ils peuvent parfois synthétiser des solutions nouvelles et originales à des problèmes connus car ils expérimentent sans idées préconçues, si ce n’est les paramètres et l’espace de recherche qu’on leur impose. Ils permettent donc d’insuffler un peu de créativité dans l’ordinateur, cette machine qui en est si cruellement dépourvue !

Un AG peut être couplé avec toutes sortes de simulations, pour peu que le processus puissent être totalement automatisé et que le temps de calcul ne soit pas prohibitif. Ces algorithmes sont donc appelés à se répandre de plus en plus dans l’industrie et la recherche grâce à la montée en puissance exponentielle des PC. De plus, les AG étant par nature massivement parallèles, ils bénéficieront du développement des systèmes à architectures parallèles. Les nouvelles versions du FORTRAN (HPF) permettront l’implémentation sur ces systmes.

Les AG peuvent être utilisés à tous les stades : recherche, développement, production. En effet, il est tout aussi nécessaire de concevoir un dispositif ayant des caractéristiques optimales, qu’un dispositif ayant une faisabilité optimale, un coût optimal... Ils constituent un domaine de recherche très actif, d’une part de par leur intérêt propre, d’autre part parce qu’ils rejoignent les enjeux industriel et économique actuels.

Perspectives

Que nous réserve l’avenir ? Pour le savoir, je vous conseille de jeter un coup d’oeil au site web de l’Université Brandeis. Vous y découvrirez comment les AG sont utilisés pour faire évoluer des créatures artificielles capables de se mouvoir de façon parfois étrange... Vous pouvez également vous procurer le "Pour la Science" de juin 2001 qui comporte un article sur d’autres applications à la robotique.

L’avenir est ouvert.

Chapitre suivant