Vie artificielleLa vie artificielle est un champ de recherche interdisciplinaire alliant informatique et biologie, mais avec des applications dans des domaines variés tels que l'économie ou l'archéologie. Son objectif est de créer des systèmes artificiels s'inspirant des systèmes vivants, soit sous la forme de programmes informatiques, soit sous la forme de robots. La première manifestation de la vie artificielle date des années 1940.
Recuit simuléEn algorithmique, le recuit simulé est une méthode empirique (métaheuristique) d'optimisation, inspirée d'un processus, le recuit, utilisé en métallurgie. On alterne dans cette dernière des cycles de refroidissement lent et de réchauffage (recuit) qui ont pour effet de minimiser l'énergie du matériau. Cette méthode est transposée en optimisation pour trouver les extrema d'une fonction. Elle a été mise au point par trois chercheurs de la société IBM, S. Kirkpatrick, C.D. Gelatt et M.P. Vecchi en 1983, et indépendamment par V.
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.
Agent intelligentEn intelligence artificielle, un agent intelligent (AI) est une entité autonome capable de percevoir son environnement grâce à des capteurs et aussi d'agir sur celui-ci via des effecteurs afin de réaliser des objectifs. Un agent intelligent peut également apprendre ou utiliser des connaissances pour pouvoir réaliser ses objectifs. Ils peuvent être simples ou complexes. Par exemple, un simple système réactif, comme le thermostat est considéré comme étant un agent intelligent.
Stochastic optimizationStochastic optimization (SO) methods are optimization methods that generate and use random variables. For stochastic problems, the random variables appear in the formulation of the optimization problem itself, which involves random objective functions or random constraints. Stochastic optimization methods also include methods with random iterates. Some stochastic optimization methods use random iterates to solve stochastic problems, combining both meanings of stochastic optimization.
Collective behaviorThe expression collective behavior was first used by Franklin Henry Giddings and employed later by Robert Park and Ernest Burgess, Herbert Blumer, Ralph H. Turner and Lewis Killian, and Neil Smelser to refer to social processes and events which do not reflect existing social structure (laws, conventions, and institutions), but which emerge in a "spontaneous" way. Use of the term has been expanded to include reference to cells, social animals like birds and fish, and insects including ants.
Agrégation (comportement)vignette|Une nuée d'étourneaux sansonnets en Cumbria en février 2006. Une agrégation désigne un regroupement plus ou moins temporaire d'animaux grégaires. Lorsque ce regroupement a tendance à devenir permanent et développe de nombreuses relations sociales, il s'agit d'une société animale. Quand l'agrégation concerne des oiseaux, l'éthologie comportementale parle de nuée, voire de ronde ; certains phénomènes impressionnants de vols de nombreux oiseaux qui décrivent des figures dans le ciel sont appelés murmuration (anglicisme).
Algorithme génétiqueLes algorithmes génétiques appartiennent à la famille des algorithmes évolutionnistes. Leur but est d'obtenir une solution approchée à un problème d'optimisation, lorsqu'il n'existe pas de méthode exacte (ou que la solution est inconnue) pour le résoudre en un temps raisonnable. Les algorithmes génétiques utilisent la notion de sélection naturelle et l'appliquent à une population de solutions potentielles au problème donné.
Robotique en essaimLa robotique en essaim est une branche de la robotique appliquant les méthodes d'intelligence distribuée aux systèmes à plusieurs robots. Il s'agit généralement d'utiliser des robots simples, voire simplistes, et peu coûteux, d'un intérêt individuel assez limité, mais qui ensemble (par exemple via des capacités d'autoassemblage ou d'auto-organisation) forment un système complexe et robuste. La robotique en essaim cherche à étudier la conception et le comportement des robots.
Apprentissage par renforcementEn intelligence artificielle, plus précisément en apprentissage automatique, l'apprentissage par renforcement consiste, pour un agent autonome ( robot, agent conversationnel, personnage dans un jeu vidéo), à apprendre les actions à prendre, à partir d'expériences, de façon à optimiser une récompense quantitative au cours du temps. L'agent est plongé au sein d'un environnement et prend ses décisions en fonction de son état courant. En retour, l'environnement procure à l'agent une récompense, qui peut être positive ou négative.
