Homologie en Programmation Génétique<br />Application à la résolution d'un problème inverse

• Main Author: Defoin Platel, Michael
• Language: FRE
• Published: Université de Nice Sophia-Antipolis 2004
• Subjects: [INFO:INFO_OH] Computer Science/Other; [PHYS:PHYS:PHYS_BIO-PH] Physics/Physics/Biological Physics; [INFO:INFO_MO] Computer Science/Modeling and Simulation; Algorithmes Evolutionnaires; Programmation Génétique; Homologie; Recombinaison; Problème Inverse
• Online Access: http://tel.archives-ouvertes.fr/tel-00131993; http://tel.archives-ouvertes.fr/docs/00/13/19/93/PDF/these_dpm.pdf

Les Algorithmes Évolutionnaires (AE) sont des méthodes de recherche par itération de sélections et de variations aléatoires sur une population de solutions potentielles. <br />La Programmation Génétique (PG) est un AE qui permet la recherche automatique de programmes et qui manipule des représentations complexes : arbres (PGA) ou listes de longueur variables (PGL). <br />Les variations aléatoires permettant de créer de nouveaux programmes peuvent être des modifications locales (mutations) ou des recombinaisons de programmes (croisements). <br />L'opérateur de croisement recombine aléatoirement des sous-parties de programmes sans tenir compte du contexte : c'est une opération «brutale» qui est une des causes supposées de la croissance incontrôlée de la taille des programmes. <br />Inspirés par la recombinaison homologue de l'ADN, nous définissons, le Croisement par Maximum d'Homologie (CMH) pour la PGL. <br />A partir d'une mesure de similarité entre les expressions à recombiner, le CMH favorise les échanges qui respectent les structures communes préexistantes. <br />La capacité du CMH à effectuer une recherche moins brutale et à permettre un contrôle précis de la taille des programmes est mise en évidence sur des problèmes classiques de PG comme l'approximation de fonctions par régression symbolique. <br />En partant des différents résultats obtenus, nous appliquons notre méthode à la résolution d'un problème réel : l'inversion des composantes atmosphériques. De plus, nous montrons comment, à coût constant, il est possible de rechercher des combinaisons de modèles inverses dont les performances sont supérieures aux modèles standards.