ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique
Auteurs : soumettez
votre article en ligne

APPEL À
CONTRIBUTION

Le comité de rédaction du JESA lance un appel à proposition de numéros spéciaux.

En savoir plus >>
Autres revues >>

Journal Européen des Systèmes Automatisés

1269-6935
Revues des Systèmes
 

 ARTICLE VOL 38/1-2 - 2004  - pp.177-195  - doi:10.3166/jesa.38.177-195
TITLE
Genetic evolution. How the convergence relies on the adaptability rate

RÉSUMÉ
De nos jours, les algorithmes évolutionnaires à caractère adaptatifs dessinent une voie de développement prometteuse pour la modélisation des systèmes artificiels. Cet article expose en un premier temps, une brève section décrivant les modèles d'adaptation. Il définit en un second temps, la nécessité d'imbriquer un tel comportement dans les algorithmes génétique. La démarche proposée définit l'adaptation en termes d'ajustements incrustés dans un processus d'apprentissage. Basé sur un ensemble de stratégies d'apprentissage, ainsi que, sur un ensemble des paramètres stratégiques, le but est d'adapter les pas de mutation de la population parentale. Sur un plan expérimental, l'algorithme élaboré comparé à d'autres algorithmes évolutionnaires, a donné des résultats très satisfaisants. On notera, tout de même que, les fonctions utilisées sont de types numériques, définies sur des espaces de recherche continus.


ABSTRACT
The self-adaptation feature in evolutionary algorithms presents a fertile trend in the modeling of artificial systems. In what follows, this paper describes, in brief section, different ways to model self-adaptation in evolutionary computation. However, the main idea is to emphasize adaptation behavior in genetic algorithms. In our studies, the adaptation is defined as a succession of adjustments statements embodied in a learning phase. Well-defined by two learning strategies as well as relevant parameters, the adaptation surrounds different ways to adapt mutation rates. Experimentally, it is show that the elaborated genetic algorithm has achieved best performances results compared to others evolutionary algorithms. The pointed domain problems considered is the optimization of continuous numeric functions.


AUTEUR(S)
Yamina MOHAMED BEN ALI, Tayeb LASKRI

MOTS-CLÉS
adaptation, apprentissage, algorithme génétique, optimisation.

KEYWORDS
Adaptation, Learning, Genetic algorithm, Optimization.

LANGUE DE L'ARTICLE
Anglais

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (316 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier