Algorithmes génétiques - A525G. Les algorithmes génétiques 1.
Introduction L’Optimisation est l’une des branches les plus importantes des mathématiques appliquées modernes, et de nombreuses recherches, à la fois pratiques et théoriques, lui sont consacrées. Si on met de côté les problèmes d’optimisation discrète ou multicritère, alors la théorie de l’optimisation peut être séparée en deux grandes branches : l’optimisation locale et l’optimisation globale. Si on peut considérer que la première est presque « entièrement connue », la seconde est encore partiellement méconnue et les recherches y sont à leur apogée, comme le confirment les nombreuses parutions récentes [Zhi91].
Genetic Algorithm Clustering for Color Image Quantization. F.
Z. Bellala Belahbib , F. Souami LRIA Département Informatique FEI, USTHB, Alger, Algérie Correspondence to: F. Copyright © 2012 Scientific & Academic Publishing. Abstract Clustering is an unsupervised classification method used for different issues in image analysis. Keywords: Genetic Algorithms, Clustering, Fuzzy Clustering, Color Image Quantization 1. Genetic algorithms are randomized search andoptimization techniques[11] inspired by natural species evolution.
Clustering is an unsupervised classification technique where elements in the same class (cluster) are as similar as possible and elements in different classes are as dissimilar as possible. On the other hand, it has been proved that GeneticAlgorithms as stochastic approaches converge generally to the global solution even with complex data. These propositions were applied for simple data or for grayscale images. This paper is organized as follows. Les Algorithmes Génétiques. 1.1 Principes généraux Les algorithmes génétiques sont des algorithmes d'optimisation s'appuyant sur des techniques dérivées de la génétique et de l'évolution naturelle1 : croisements, mutations, sélection, etc.
Les algorithmes génétiques ont déjà une histoire relativement ancienne puisque les premiers travaux de John Holland sur les systèmes adaptatifs remontent à 1962 [Hol62]. L'ouvrage de David Goldberg [Gol89c] a largement contribué à les vulgariser. Un algorithme génétique recherche le ou les extrema d'une fonction définie sur un espace de données. Pour l'utiliser, on doit disposer des cinq éléments suivants : Un principe de codage de l'élément de population. Figure 1.1: Principe général des algorithmes génétiques on commence par générer une population d'individus de façon aléatoire. 1.2 Description détaillée 1.2.1 Codage des données Cependant, ce type de codage n'est pas toujours bon comme le montrent les deux exemples suivants :
Untitled. Algorithme génétique. Un article de Wikipédia, l'encyclopédie libre.
Origines[modifier | modifier le code] La popularisation des algorithmes génétiques sera l'œuvre de David Goldberg à travers son livre Genetic Algorithms in Search, Optimization, and Machine Learning[1] (1989). Ce livre est encore édité aujourd'hui. En Europe, la première conférence sur ce type de sujet fut l'European Conference on Artificial Life en 1991 (elle a fêté ses 20 ans en 2011[2]), coorganisée par Francisco Varela et Paul Bourgine.
Un des premiers ouvrages à présenter en Français les algorithmes génétiques sera le livre[3] Intelligence Artificielle et Informatique Théorique qui lui consacrera un chapitre dès 1993. Présentation[modifier | modifier le code] Analogie avec la biologie[modifier | modifier le code] Terminologie commune aux deux disciplines[modifier | modifier le code] Les algorithmes génétiques étant basés sur des phénomènes biologiques, il convient de rappeler au préalable quelques termes de génétique. Sélection. CEUR-WS.org/Vol-547 - Conférence Internationale sur l’Informatique et ses Applications 2009. Algorithmes génétiques. Le terme génétique en informatique désigne un outil du monde de l’intelligence artificielle, permettant de converger vers un optimum (jeu de coefficients la plupart du temps) de configuration d’un système (matériel ou logiciel).
Par rapport à une approche "brutale" consistant à évaluer toutes les combinaisons possibles, cette approche permet de traiter des problèmes dont la combinatoire est telle (dite "explosive") qu’une exploration systématique prendrait des temps infinis même avec des machines très puissantes. Il faut bien avoir conscience que, du fait des principes utilisés par cette méthode, elle ne garantit pas de trouver l’optimum absolu (qui d’ailleurs n’existe pas la plupart du temps si l’optimisation est de type multi-objectifs) mais de converger vers un optimum représentant un très bon compromis entre le niveau de qualité de la solution et le temps de calcul mis pour la trouver.
Ce n’est donc pas une méthode formelle exacte, mais une méthode de résolution approchée. Documents. Genetic-programming.org-Home-Page. Computer Vision Algorithm Implementations. General Image Processing OpenCV (C++ code, BSD lic) Image manipulation, matrix manipulation, transforms Torch3Vision (C/C++ code, BSD lic) Basic image processing, matrix manipulation and feature extraction algorithms: rotation, flip, photometric normalisations (Histogram Equalization, Multiscale Retinex, Self-Quotient Image or Gross-Brajovic), edge detection, 2D DCT, 2D FFT, 2D Gabor, PCA to do Eigen-Faces, LDA to do Fisher-Faces.
