Algorithme évolutionnistevignette|redresse=1.2|Un algorithme évolutionnaire utilise itérativement des opérateurs de sélections (en bleu) et de variation (en jaune). i : initialisation, f(X) : évaluation, ? : critère d'arrêt, Se : sélection, Cr : croisement, Mu : mutation, Re : remplacement, X* : optimum. Les algorithmes évolutionnistes ou algorithmes évolutionnaires (evolutionary algorithms en anglais), sont une famille d'algorithmes dont le principe s'inspire de la théorie de l'évolution pour résoudre des problèmes divers.
Méthode essai-erreurLa méthode essai-erreur ou méthode essai et erreur est une méthode fondamentale de résolution de problèmes. Elle est caractérisée par des essais divers qui sont continués jusqu'au succès de la recherche ou jusqu'à ce que le testeur arrête sa recherche. En science informatique, la méthode est appelée « generate and test ». En algèbre élémentaire, pour la résolution d'équations elle prend le nom de « guess and check » (« supposer et vérifier »).
Meta-optimizationIn numerical optimization, meta-optimization is the use of one optimization method to tune another optimization method. Meta-optimization is reported to have been used as early as in the late 1970s by Mercer and Sampson for finding optimal parameter settings of a genetic algorithm. Meta-optimization and related concepts are also known in the literature as meta-evolution, super-optimization, automated parameter calibration, hyper-heuristics, etc.
Evolutionary computationIn computer science, evolutionary computation is a family of algorithms for global optimization inspired by biological evolution, and the subfield of artificial intelligence and soft computing studying these algorithms. In technical terms, they are a family of population-based trial and error problem solvers with a metaheuristic or stochastic optimization character. In evolutionary computation, an initial set of candidate solutions is generated and iteratively updated.
Paysage adaptatifLe paysage adaptatif (ou paysage de fitness, fitness landscape en anglais) est un outil utilisé en biologie évolutive pour visualiser les relations entre des génotypes et le succès reproductif. Le paysage adaptatif est une représentation de la fitness d’organismes, d’espèces ou de populations sous forme d’une carte topographique. Cette fitness, ou valeur sélective, est une mesure relative de la survie et de la reproduction. vignette|Croquis d'un paysage de fitness.
Algorithme à évolution différentielleEn recherche opérationnelle (informatique théorique), un algorithme à évolution différentielle est un type d'algorithme évolutionnaire. Le domaine des algorithmes évolutionnaires a connu un grand développement ces dernières années. L'évolution différentielle est un de ces algorithmes. À l'origine, l'évolution différentielle était conçue pour les problèmes d'optimisation continus et sans contraintes. Ses extensions actuelles peuvent traiter les problèmes à variables mixtes et gèrent les contraintes non linéaires.
Recherche locale (optimisation)En algorithmique, la recherche locale est une méthode générale utilisée pour résoudre des problèmes d'optimisation, c'est-à-dire des problèmes où l'on cherche la meilleure solution dans un ensemble de solutions candidates. La recherche locale consiste à passer d'une solution à une autre solution proche dans l'espace des solutions candidates (l'espace de recherche) jusqu'à ce qu'une solution considérée comme optimale soit trouvée, ou que le temps imparti soit dépassé.
Tierra (simulation informatique)Tierra est une simulation informatique créée et développée par Thomas S. Ray pour l'étude de la vie artificielle. Ray, T. S. 1991, "Evolution and optimization of digital organisms", in Billingsley K.R. et al (eds), Scientific Excellence in Supercomputing: The IBM 1990 Contest Prize Papers, Athens, GA, 30602: The Baldwin Press, The University of Georgia. Publication date: December 1991, pp. 489–531. Bedau M.A., McCaskill J.S. et al., "Open problems in artificial life", Artificial Life, 2000 Fall 6(4):363-76.
Optimisation par essaims particulairesL'optimisation par essaims particulaires (OEP ou PSO en anglais) est une métaheuristique d'optimisation, inventée par Russel Eberhart (ingénieur en électricité) et James Kennedy (socio-psychologue) en 1995. Cet algorithme s'inspire à l'origine du monde du vivant. Il s'appuie notamment sur un modèle développé par Craig Reynolds à la fin des années 1980, permettant de simuler le déplacement d'un groupe d'oiseaux. Une autre source d'inspiration, revendiquée par les auteurs, James Kennedy et Russel Eberhart, est la socio-psychologie.
Fonction de RosenbrockLa fonction de Rosenbrock est une fonction non convexe de deux variables utilisée comme test pour des problèmes d'optimisation mathématique. Elle a été introduite par en 1960. Elle est aussi connue sous le nom de fonction banane. La fonction présente un minimum global à l'intérieur d'une longue vallée étroite de forme parabolique. Si trouver la vallée analytiquement est trivial, on peut voir que les algorithmes de recherche du minimum global convergent difficilement.
