Article pp.959-961 du Vol.25 n°8-9 (2006)

(1)

Editorial

L’Evolution artificielle est une technique d’optimisation stochastique encore relativement peu connue, s’inspirant de l’évolution naturelle. En effet, même si cette dernière a disposé de pas mal de temps pour aboutir aux êtres vivants qui nous entourent, les résultats obtenus sont absolument époustouflants. Pour créer un œil, par exemple, il aura fallu que l’évolution trouve la recette pour fabriquer du tissu parfaitement transparent (la cornée), auquel il faut ajouter une seconde lentille déformable et toute aussi transparente permettant la mise au point (cristallin), un diaphragme (l’iris), puis un capteur de lumière (cellules photosensibles) qu’il a fallu positionner exactement sur le plan focal. Ensuite, il faut mobiliser le tout avec des muscles placés au bon endroit, et récupérer les données avec un nerf suffisamment souple pour accepter des flexions incessantes pendant une centaine d’années.

Mais si cette complexité incroyable ne concerne que l’œil, il y a bien d’autres choses à créer pour constituer un être vivant viable et capable de se reproduire dans son environnement : un système immunitaire dont on n’arrive toujours pas à appréhender la complexité, un cerveau capable de donner une autonomie, un appareil digestif, une bouche avec des dents pour broyer les aliments, sans parler de développements spécifiques à certains animaux (plumes et os creux pour les oiseaux, écailles, vessie natatoire, branchies pour les poissons, poumons pour les animaux terrestres…).

Certes, la nature a eu 600 millions d’années pour passer d’êtres pluricellulaires aux animaux qui nous entourent et à l’homme, conscient et intelligent, mais cela ne s’est pas fait de manière linéaire. Il semble que l’« explosion cambrienne », par exemple, n’ait duré qu’une « petite » dizaine de millions d’années.

Bref, le moteur de cette évolution semble extrêmement puissant, et c’est lui que l’évolution artificielle propose de réutiliser sous une forme très simplifiée pour trouver des solutions à des problèmes complexes. Pour l’implanter informatiquement, il suffit de pouvoir représenter des solutions au problème à résoudre sous une forme telle que l’on puisse leur appliquer des opérateurs de variation, que par analogie aux systèmes biologiques, on appellera opérateurs de mutation et de croisement (recombinaison).

Ensuite, en partant d’une « population » initiale de solutions potentielles (que l’on appellera des « individus »), un mécanisme de sélection permettra de choisir des

« reproducteurs » que l’on utilisera pour créer une nouvelle « génération » d’individus, en utilisant les opérateurs de variation susnommés. Enfin, un second opérateur de sélection est appliqué sur la population de parents et d’enfants pour ne choisir que les meilleurs (ceux qui donnent le meilleur résultat au problème posé) et

Cet article des Editions Lavoisier est disponible en acces libre et gratuit sur tsi.revuesonline.com

(2)

960 RSTI - TSI – 25/2006. Evolution artificielle

revenir à la taille de la population initiale. La « boucle évolutionnaire » peut alors recommencer.

Bien évidemment, l’épineux problème de savoir quand, pourquoi et comment converge un tel processus est essentiel : on sait actuellement sous quelles conditions des modèles mathématiques simples de ce processus convergent, mais il reste encore beaucoup de travail théorique à faire sur ce sujet.

Le succès pratique de ces méthodes vient du fait qu’elles représentent des outils d’optimisation adaptés à des fonctions, des problèmes difficiles, complexes, irréguliers. Il faut savoir cependant que la mécanique évolutionnaire a un coût calculatoire qui peut devenir important. Ces méthodes sont donc souvent considérées comme complémentaires des méthodes d’optimisation plus « standard » telles les méthodes d’optimisation déterministes fondées le plus souvent sur des hypothèses de régularité des fonctions à optimiser.

Evolution Artificielle ne présente pas les bases de ce paradigme (que l’on peut trouver dans de nombreux ouvrages et articles), mais des articles de synthèse, de théorie et d’application dans des domaines très variés allant de la détection d’obstacles par stéréovision pour la robotique à la recherche de nouveaux automates cellulaires, en passant par des applications médicales.

Le premier article (Cédric Buche et al.) présente une synthèse de ce qui se fait en matière de « systèmes de classeurs », où l’apprentissage est abordé comme l’optimisation d’une base de règles. Puis une autre synthèse (Alain Berro) donne un panorama des techniques évolutionnaires d’optimisation multi-objectif.

Vient ensuite un article plus théorique (Sébastien Vérel et al.) sur les « paysages de fitness », qui sont des modèles de la forme et de la topologie des espaces de recherche des algorithmes évolutionnaires, pour déboucher sur des applications beaucoup plus pratiques, avec le très bel « algorithme des mouches » qui traite de la localisation par stéréovision, présenté par Jean Louchet.

Toujours en vision robotique, une estimation de mouvement à l’aide de champs de Markov est présentée par Albert Dipanda et Sophie Voisin avant de changer totalement de domaine en abordant une application d’optimisation multicritère pour une chaîne de traction de véhicule électrique, par Bruno Sareni et al.

Après l’article d’Emmanuel Sapin, qui présente un nouvel automate universel trouvé à l’aide d’un algorithme évolutionnaire, deux applications médicales sont décrites : l’optimisation du réglage d’implants cochléaires par évolution interactive (Claire Bourgeois-République et al.), et l’optimisation multi-objectif d’un instrument robotisé pour la chirurgie mini-invasive (Damien Sallé et al.).

Ce numéro s’achève par une chronique, écrite par Laurent Krähenbühl, directeur de recherche CNRS au Centre de génie électrique de Lyon et qui utilise les algorithmes évolutionnaires depuis une quinzaine d’années sur des problèmes inverses (dimensionnement, choix de matériaux, type d’alimentation…) en génie

(3)

Editorial 961

électrique. Sa grande expérience dans ces systèmes lui a permis de prendre du recul sur l’optimisation stochastique pour pouvoir présenter cette discipline de manière originale et attrayante.

En conclusion, les applications de l’évolution artificielle sont évidemment extrêmement variées, du fait de la flexibilité de l’approche. On peut en outre constater que ces algorithmes peuvent être non seulement compétitifs sur de nombreux domaines (cf. articles d’application de ce numéro) mais aussi extraordinairement rapides et efficaces (article de Jean Louchet), voire même interactifs (article de Claire Bourgeois-République et al.).

Ce courant relativement récent vient contredire la perception usuelle de ces méthodes comme méthodes de la « dernière chance », à n’utiliser que lorsque rien d’autre ne donne de bons résultats, coûteuses en temps de calcul, nécessitant des centaines de milliers d’évaluations pour arriver à un résultat intéressant.

Nous espérons donc que par son contenu éclectique, théorique et appliqué, Evolution Artificielle contribuera à l’essor de ce paradigme à la fois dans la communauté scientifique et dans le monde industriel français.

Nous tenons à remercier le comité de publication de la revue Techniques et Science Informatiques pour avoir accepté de publier ce numéro spécial ainsi que les membres du comité de relecture de TSI, et ceux du comité scientifique spécialement réunis pour ce numéro, qui ont, par l’acuité de leurs remarques, leur objectivité et leur suggestions, contribué à la qualité des articles. Enfin, nous remercions chaleureusement les auteurs pour leurs contributions.

En vous souhaitant beaucoup de plaisir et d’intérêt à la lecture de ce numéro spécial sur l’évolution artificielle.

Pierre Collet Laboratoire d’Informatique du Littoral, Calais [email protected] Evelyne Lutton INRIA Rocquencourt, Equipe Complex [email protected]

(4)