Version imprimable
Bonjour,
je suis devant un problème qui consiste a le résoudre par les algo. génétiques.
Je ne connais rien des AG, le problème est lié au calcul du point astronomique en mer par une série de mesures, les AG cherchent la meilleur
solution en traitant x mesures.
La méthode est expliquée en anglais.
Si quelqu'un est disposé a se pencher sur le problème, je lui enverrai volontiers la doc.
Merci.
Bonjour,
Avec les algorithmes génétiques, le premier soucis est de calculer le score d'une solution donnée. Par exemple, dans votre cas, le score sera plus haut, lorsque la solution est en adéquation avec toutes les mesures. On peut prendre, par exemple, le point qui a la distance la plus courte avec les mesures (c'est un exemple).
Ensuite, on va générer aléatoire des solutions, que l'on va garder suivant le score, faire muter, les croiser afin de générer d'autre solution, que l'on va aussi évaluer (quantifier le score) et continuer ainsi de suite pour atteindre une meilleure solution.
Voilà, je joins donc la publication en anglais, qui explique la méthode.
Pouvez-vous être plus précis, sur ce que vous ne comprenez pas ?
Il y a plein de ressources autour des GA même en français.
le problème, je ne sais pas par où commencer.Citation:
Envoyé par LittleWhite
Ce que je sais:
calculer Hoi,Hci, n pour avoir le RMSE, ainsi que L et Lambda.
ce que je ne sais pas:
Comment établir les populations, les mutations...
Noise et RandomNum c'est quoi ?
Tout ce que vous ne savez pas, c'est à propos de l'algorithme génétique.
Un algorithme génétique, reproduit la façon dont les chromosome s'échangent et sont modifiés, génération après génération.
En informatique, un chromosome, c'est une "solution". Par exemple, dans l'exemple on va dire, que nous allons résoudre le problème d'obtenir 100, avec deux additions (trois chiffres). Donc, une solution peut être :
S1 = 10 5 3
Une autre :
S2 = 22 9 2
On remarque que si on additionne (on teste) S1, on obtient 10+5+3 = 18, pour S2 = 22+9+2 = 33. Ok, 33 étant plus proche de 100, S2 est meilleure que S1.
On va faire une nouvelle génération. Une génération, c'est un ensemble de chromosomes (soit, de solutions). S1 et S2, c'était ma génération 1 (G1). On va maintenant produire G2.
Pour ce genre, on utilise les solutions précédentes, sur lesquelles on fait des croisements. Ici, je produit (avec les croisements) les solutions suivantes :
S3 = 22 5 3
S4 = 10 9 2
Si vous observez bien, j'ai fait des permutations.
On peut rajouter du bruit (j'ai oublié un terme technique :koi:)
Par exemple, on a 5 % de mutation d'une solution. Ici :
S3 = 22 5 44
(La mutation a écrasé le 3, pour placer un nombre au hasard)
Vraiment, comme dans la nature.
On test une nouvelle fois
S3 => 71 / S4 = 21
Ici, S3 s'approche de notre but. Cela pourrait être une solution intéressante. Mais en réalité, on ne s'arrête pas là. On va faire une génération 3, puis 4, puis 5. Et en réalité, chaque générations ne contient pas que deux solutions, mais des dizaines ou centaine.
Au bout d'un moment, on va avoir des solutions "assez bonne", peut être pas parfaite, mais on ne va pas trouver mieux non plus. Alors, il sera temps d'arrêter l'algorithme (après 50 itérations, c'est pas mal).
Comme je l'avais dit, y a pas mal de ressource dessus :
http://khayyam.developpez.com/articles/algo/genetic/
http://fr.wikipedia.org/wiki/Algorit...A9n%C3%A9tique
Salut LittleWhite,
Je me permet d'apporter une petite pierre à l'explication que tu porte ici.
Une solution serait plutôt un génome et chaque chiffre à additionner un chromosome. Un génome est donc composé de chromosomes.
Le terme que tu cherchais pour le bruit c'est taux de mutation, il se détermine sur chaque chromosome.
D'autres notions intéressantes à aborder sont le roulette wheel et le crossover rate (taux de mélange ?).
Un autre cours sur la question que j'ai trouvé pas mal fait : http://www.ai-junkie.com/ga/intro/gat1.html
@+
Il y a actuellement un Mooc en français qui présente comment aborder des approches de ce type, https://www.france-universite-numeri...e_3_2014/about et la possibilité d'utiliser une plateforme avec une API qui simplifie la partie de gestion des algorithmes génétiques pour se concentrer sur la problématique à traiter. C'est orienté parallélisation, mais les informations générales sur les AG peuvent éventuellement être utiles.