VI.4. Algorithmes Génétiques (16/16)

Exemple

La somme des valeurs, 2490, et la valeur maximum, 841, démontrent une nette amélioration de la population. Les différentes solutions de la population tendent donc à converger vers le maximum de la fonction, 961. Cette valeur est effectivement le maximum de f(x), obtenu pour un codage binaire comportant cinq bits, où x à la valeur maximum 31.

Les algorithmes génétiques mettent en évidence un autre principe de la vie artificielle : La convergence. Le principe de convergence représente la capacité des individus d’une population à se diriger vers des solutions de plus en plus efficaces pour un problème. Tout système ne comportant pas obligatoirement une et une seule solution, ce principe met en évidence la tendance des algorithmes génétiques à converger vers des états de plus en plus adaptés à un problème. Les algorithmes génétiques ne sont cependant pas les seuls algorithmes basés sur les principes décrits précédemment. D’autres algorithmes évolutionnistes, tels que les stratégies d’évolution, [Rechenberg, 73], [Schwefel, 81] et [Herdy, 91], la programmation évolutive, [Fogel & al., 66], et la programmation génétique, [Koza, 92] , font l’objet d’études comparatives, [Hoffmeister & Bäck, 91], et en particulier dans le domaine de l’optimisation de paramètres, [Bäck & Schwefel, 93].